AURELION: Neue Version 22.1

Sensorrealistische Simulation der nächsten Stufe

Die neue Version 22.1 von AURELION, der dSPACE Lösung für sensorrealistische Simulation zur Entwicklung und Validierung von Perzeptionsalgorithmen und Fahrfunktionen, erhöht die Detailtiefe der Simulationen und Visualisierungen für virtuelle Testfahrten nochmal deutlich. Dies zeigt sich durch neue und weiterentwickelte Licht- und Wettereffekte, die erweiterte Unterstützung von Lkw-/Truck-/Auflieger-Modellen sowie noch mehr verfügbare US-Verkehrsschilder. Den Test und das Training von künstlicher Intelligenz (KI) für das autonome Fahren unterstützt AURELION nun auch mit Funktionalitäten zur semantischen Segmentierung, die Annotation auf Pixelebene ermöglichen.

Hochrealistische Lichtverhältnisse mit Regen und Nebel

Der Realismus von Simulationen und Visualisierungen für Licht und Atmosphäre, Regen und Nebel wurde mit AURELION 22.1 deutlich erhöht.

Es schneit …

Auch das kann AURELION: In der Simulation lässt sich „Schneefall“ einschalten, wobei der Schnee mit verschiedenen Materialien korrespondiert.

Erweiterte Unterstützung von Lkw- sowie Anhänger-/Auflieger-Modellen

Um auch teil- und hochautomatisierte Lkw mit Auflieger (inkl. nordamerikanischer Trucks) in virtuellen Testfahrten testen zu können, bietet AURELION jetzt eine erweiterte Unterstützung solcher Modelle. Die neuen Möglichkeiten umfassen:

• Unterstützung für Mehrkörpersysteme mit interaktiver Sensorplatzierung
• Neue, vorgefertigte Demos für ASM und AURELION, zum Beispiel:
  • Lkw mit Kabinenfederung und Sattelauflieger
  • Lkw mit Drehschemelanhänger
• Erweiterungen der AURELION-3D-Bibliothek: Umfangreiche Sammlung an internationalen Zugfahrzeugen, Aufliegern und Dolly-Anhängern

Semantische Segmentierung: Ground Truth auf Pixelebene

Die in AURELION enthaltene semantische Segmentierung von Bildern liefert Annotationen zu Bildregionen auf Pixelebene. Für das Testen und Trainieren künstlicher Intelligenz, vor allem für autonomes Fahren, können diese Informationen verwendet werden, damit neuronale Netze lernen, welche Muster oder Texturen zu welcher semantischen Klasse von Objekten gehören. Anschließend können solche Netze für so unterschiedliche Anwendungsfälle wie Bilderzeugung, Domänenanpassung, Fahrspurerkennung oder Erkennung befahrbarer Bereiche eingesetzt werden.

Tiefenbild und optischer Fluss

Während das menschliche Verständnis unterschiedliche Tiefen und Distanzen wahrnehmen kann, besteht die Ausgabe eines Kamerasensors für einen Computer ausschließlich aus Farbinformationen in einem zweidimensionalen Raum. Um das Verständnis der Umgebung zu verbessern, werden Tiefenbilder berechnet, um jedem Pixel des Bildes die jeweilige Distanz zuzuweisen. Es existieren verschiedene Ansätze, um das Tiefenbild zu berechnen. Die Simulation mit AURELION liefert die Tiefeninformation als Ground Truth. 

Als weiterer Ausgabemodus für den Kamerasensor folgt der optische Fluss. Dieser ermöglicht die Erkennung von Bewegung auf Pixel-Ebene. Damit lassen sich zum Beispiel die Bewegungen von anderen Verkehrsteilnehmern erkennen und vorhersagen. AURELION liefert sowohl das Tiefenbild als auch den optischen Fluss als Ground-Truth-Informationen. Diese Informationen sind ideal, um neue Algorithmen zu testen und abzusichern oder lassen sich als Input für Perzeptionsalgorithmen verwenden.

Erweiterung der US-Traffic-Signs-Bibliothek

Die Auswahl der in der Simulation einsetzbaren US-Verkehrsschilder wurde mit AURELION 22.1 erweitert.

Entwickeln Sie Ihre Fahrfunktionen mit Hilfe der sensorrealistischen Simulation von AURELION – bei Hardware-in-the-Loop (HIL)-Tests, Software-in-the-Loop (SIL)-Tests und bei der parallelen Validierung in der Cloud.